双种群混合遗传算法的裁剪分床应用研究

doi:10.3778/j.issn.1002-8331.2007-0013

摘要/摘要

摘要：

为解决服装生产中的裁剪分床计划问题，结合生产过程的影响因素和订单需求，建立了裁剪分床的多目标数学模型进行优化，使用一种改进的双种群粒子群-遗传混合算法对模型进行求解。混合算法将进化种群划分为普通种群和精英种群，利用改进的遗传算法来全局搜索进化普通群体并筛选精英个体，同时结合粒子群优化算法进化精英群体。交叉和变异保证种群的多样性，粒子群寻优机制提升进化速度，两种群在进化时交叉影响不断寻找最优方案。实验结果表明：混合算法在解决多目标的生产订单裁剪分床问题上表现稳定，相比改进的遗传算法有更快的寻优速度，比手工计算方法减少1个裁床，裁剪时间缩短5?最小值且超裁数量降低60%，可以适应不同目标需求，针对实际生产中的裁剪分床有一定的应用价值。

关于： 裁剪分床计划, 多目标, 双种群, 遗传算法, 粒子群优化, 交叉影响

摘要：

为了解决服装生产中的订单计划问题，基于生产过程和订单需求的影响因素，建立了订单计划的多目标数学模型进行优化，并采用改进的双种群粒子群遗传混合算法对模型进行求解。该混合算法将进化种群分为普通种群和精英种群，使用改进的遗传算法全局搜索进化普通种群并筛选精英个体，并结合粒子群优化算法进化精英种群。交叉和变异保证了种群的多样性，粒子群的优化机制提高了进化速度，两个群体在进化过程中由于交叉影响而不断搜索最优解。实验结果表明，该混合算法在求解多目标下订单规划问题时是稳定的。它比改进的遗传算法具有更快的优化速度。它比手动计算方法减少了一个切割床，切割时间缩短了5分钟，过切次数减少了60%，可以适应不同的针距，在实际生产中具有一定的应用价值。

关键词： 削减订单计划，多目标，双重人口，遗传算法，粒子群优化，交叉影响

杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J] ●●●●。计算机工程与应用, 2021，57（22）：182-189。

杜寿新、吴涛。双种群混合遗传算法在下料计划中的应用研究[J]。计算机工程与应用，2021，57（22）：182-189。

参考文献

[1]庹武，郑攀，常亭亭，等.基于层次分析法的服装裁剪分床影响因素[J] ●●●●。纺织学报，2013，34（4）：148-152.
陶伟，郑鹏，张天涛，等.基于层次分析法的采伐方案影响因素分析[J]。纺织研究杂志，2013,34（4）：148-152。
[2] JELIL R A.服装制造中人工智能应用的回顾[M]//大数据时代时尚行业的人工智能。新加坡：Springer，2018:97-123。
[3] 吕NAL C，YüKSEL A D.服装行业的订单计划优化[J]。东欧纤维和纺织品，2020（139）：8-13。
[4] NASCIMENTOD B，DE FIGUEIREDO J N，MAYERLE S F，等.服装行业传播与裁剪的状态空间解决方案搜索方法[J]。国际生产经济学杂志，2010128（1）：379-392。
[5] M’HALLAH R，BOUZIRI A.服装行业中组合订单规划二维布局问题的启发式[J]。《运筹学国际汇刊》，2014,23（1/2）：321-353。
[6] 王学骥，周俊.基于粒子群优化算法的多目标裁剪优化分配的研究[J] ●●●●。工业控制计算机，2014，27（12）：112-114.
王晓杰，周J.基于粒子群优化算法的切削分布多目标优化[J]。工业控制计算机，2014,27（12）：112-114。
[7] 江丽林，周巨栋，董辉.基于自适应加速因子粒子群优化算法的裁剪分床研究[J] ●●●●。计算机测量与控制，2018，26（1）：181-184.
姜磊，周建德，董浩。基于自适应加速因子粒子群算法的切削分布研究[J]。计算机测控，2018,26（1）：181-184。
[8]刘艳梅，颜少聪，纪杨建，等.大批量定制服装裁剪分床计划的两阶段优化方法[J] ●●●●。计算机集成制造系统，2012，18（3）：479-485.
刘永明，颜思聪，纪永杰，等.服装大规模定制下订单计划的两阶段优化方法[J]。计算机集成制造系统，2012,18（3）：479-485。
[9] XU Y，THOMASSEY S，ZENG X.大规模定制背景下服装尺码和裁剪订单计划的优化[J]。国际先进制造技术杂志，2020106:3485-3503。
[10] ABEYSOORIYA R P，FERNANDO T G I.服装制造中优化裁剪订单计划解决方案的混合方法[J]。国际信息通信技术研究杂志，2012,2（4）：348-353。
[11] TSAO Y-C，VU T-L，LIAO L-W.服装行业下料计划问题的混合启发式算法[J]。计算机与工业工程，2020144:106478。
[12] 马永杰，云文霞.遗传算法研究进展[J] ●●●●。计算机应用研究，2012，29（4）：1201-1206.
马永杰，YUN W X.遗传算法的研究进展[J]。计算机应用研究，2012,29（4）：1201-1206。
[13] 杨俊胜，沈航驰，葛鹏，等.粒子群优化算法[J] ●●●●。软件，2020，41（5）：228-230.
杨俊生，沈海川，葛鹏，等.粒子群优化算法[J]。计算机工程与软件，2020,41（5）：228-230。
[14] 张超群，郑建国，钱洁.遗传算法编码方案比较[J] ●●●●。计算机应用研究，2011，28（3）：819-822.
张春秋，郑继光，钱J.遗传算法编码方案的比较[J]。计算机应用研究，2011,28（3）：819-822。
[15] TSOULOSIG，TZALLAS A，TSALIKAKIS D.PDoublePop:用于函数优化的并行遗传算法的实现[J]。计算机物理通信，2016209:183-189。
[16] 王东风，孟丽.粒子群优化算法的性能分析和参数选择[J] ●●●●。自动化学报，2016，42（10）：1552-1561.
王德发，孟L.粒子群优化算法的性能分析与参数选择[J]。自动化学报，2016,42（10）：1552-1561。
[17] 董红斌，李冬锦，张小平.一种动态调整惯性权重的粒子群优化算法[J] ●●●●。计算机科学，2018，45（2）：98-102.
董海波，李德杰，张晓平.惯性权重动态调整的粒子群优化算法[J]。计算机科学，2018,45（2）：98-102。
[18] 刘文英，张自鲁，路慎强，等.基于粒子群-遗传混合算法的函数优化研究[J] ●●●●。计算机技术与发展，2019，29（10）：170-174.
刘伟毅，张振林，卢世清，等.基于粒子群遗传混合算法的函数优化研究[J]。计算机技术与发展，2019,29（10）：170-174。